La tâche de détection d'actions récemment proposée consiste à trouver le timestamp exact auquel un événement se produit. Cette tâche convient particulièrement aux vidéos de football, où les événements correspondent à des actions marquantes strictement définies par les règles du football (un but est marqué lorsque le ballon franchit la ligne de but). Dans cet article, nous concevons un réseau léger et modulaire pour la détection d'actions, capable de prédire simultanément l'étiquette de l'événement et son décalage temporel en utilisant les mêmes caractéristiques sous-jacentes. Nous enrichissons notre modèle avec deux stratégies d'entraînement : la première pour l'équilibrage des données et l'échantillonnage uniforme, la seconde pour masquer les images ambiguës et conserver les indices visuels les plus discriminants. Lorsqu'il est testé sur l'ensemble de données SoccerNet et en utilisant des caractéristiques standard, notre proposition complète dépasse l'état actuel de l'art de 3 points en moyenne (Average-mAP). De plus, elle atteint un gain de plus de 10 points en moyenne (Average-mAP) sur l'ensemble de test lorsqu'elle est affinée en combinaison avec une architecture 2D robuste.